論文の概要: A Positive/Unlabeled Approach for the Segmentation of Medical Sequences
using Point-Wise Supervision
- arxiv url: http://arxiv.org/abs/2107.08394v1
- Date: Sun, 18 Jul 2021 09:13:33 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-20 14:59:38.690948
- Title: A Positive/Unlabeled Approach for the Segmentation of Medical Sequences
using Point-Wise Supervision
- Title（参考訳）: ポイントワイズ・スーパービジョンを用いた医用シークエンスセグメンテーションのための正・負のアプローチ
- Authors: Laurent Lejeune, Raphael Sznitman
- Abstract要約: 本稿では,ポイントワイズアノテーションのみを用いて,医用画像のボリュームや動画を効率的に分割する手法を提案する。
提案手法は,ポイントワイドアノテーションを用いて,適切なポジティブ/アンラベル対象関数を用いてディープラーニングモデルを訓練する。
提案手法は,同じ問題に適応した最先端手法よりも優れていることを示す。
- 参考スコア（独自算出の注目度）: 3.883460584034766
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The ability to quickly annotate medical imaging data plays a critical role in
training deep learning frameworks for segmentation. Doing so for image volumes
or video sequences is even more pressing as annotating these is particularly
burdensome. To alleviate this problem, this work proposes a new method to
efficiently segment medical imaging volumes or videos using point-wise
annotations only. This allows annotations to be collected extremely quickly and
remains applicable to numerous segmentation tasks. Our approach trains a deep
learning model using an appropriate Positive/Unlabeled objective function using
sparse point-wise annotations. While most methods of this kind assume that the
proportion of positive samples in the data is known a-priori, we introduce a
novel self-supervised method to estimate this prior efficiently by combining a
Bayesian estimation framework and new stopping criteria. Our method iteratively
estimates appropriate class priors and yields high segmentation quality for a
variety of object types and imaging modalities. In addition, by leveraging a
spatio-temporal tracking framework, we regularize our predictions by leveraging
the complete data volume. We show experimentally that our approach outperforms
state-of-the-art methods tailored to the same problem.
- Abstract（参考訳）: 医用画像データを素早くアノテートする能力は、セグメンテーションのためのディープラーニングフレームワークの訓練において重要な役割を果たす。
画像のボリュームやビデオのシーケンスは、それらに注釈を付けると、さらに重荷になる。
そこで本研究では, 医用画像のボリュームや映像をポイントワイズアノテーションのみを用いて効率的に分割する手法を提案する。
これにより、アノテーションを非常に迅速に収集でき、多くのセグメンテーションタスクに適用できる。
提案手法は,スパースポイントワイドアノテーションを用いて,適切なポジティブ/アンラベル対象関数を用いてディープラーニングモデルを訓練する。
本手法では,データ中の正のサンプルの割合をa-prioriと仮定することが多いが,ベイズ推定フレームワークと新たな停止基準を組み合わせることにより,事前推定を効率的に行うための新しい自己教師あり手法を提案する。
本手法は,適切なクラスプリエントを反復的に推定し,様々なオブジェクトタイプやイメージングモダリティに対して高いセグメンテーション品質を与える。
さらに,時空間追跡フレームワークを活用することで,全データ量を活用することで予測を定式化する。
我々は,本手法が同じ問題に適した最先端手法より優れていることを示す。
関連論文リスト
- Improving 3D Few-Shot Segmentation with Inference-Time Pseudo-Labeling [3.4387114292512457]
提案手法は,クエリサンプルの本質的な情報を推論中の最終セグメンテーションに有効活用する手法である。
提案手法は,多様な設定やデータセットにまたがる性能を効果的に向上させることができる。
論文 参考訳（メタデータ） (2024-10-13T19:07:07Z) - Domain Adaptive Multiple Instance Learning for Instance-level Prediction
of Pathological Images [45.132775668689604]
アノテーションのコストを増大させることなく、ターゲットデータセットの分類性能を向上させるためのタスク設定を提案する。
両手法の監督情報を効果的に組み合わせるために,信頼性の高い擬似ラベルを作成する手法を提案する。
論文 参考訳（メタデータ） (2023-04-07T08:31:06Z) - Latent Graph Representations for Critical View of Safety Assessment [2.9724186623561435]
CVS予測の手法として,まず乱れのあるシーングラフを用いて手術画像の表現を行い,その表現をグラフニューラルネットワークを用いて処理する手法を提案する。
我々のグラフ表現は、意味情報を明示的に符号化し、解剖学的推論を改善するとともに、視覚的特徴を識別可能性を維持し、意味的誤りに対する堅牢性を提供する。
本手法は,ボックスアノテーションのトレーニングにおいて,複数のベースラインメソッドよりも優れるだけでなく,セグメンテーションマスクのトレーニング時にも効果的にスケールし,最先端のパフォーマンスを維持していることを示す。
論文 参考訳（メタデータ） (2022-12-08T09:21:09Z) - Active Self-Training for Weakly Supervised 3D Scene Semantic
Segmentation [17.27850877649498]
本稿では,自己学習と能動的学習を組み合わせた3次元シーンの弱教師付きセグメンテーション手法を提案する。
提案手法は,従来の作業やベースラインよりもシーンセグメンテーションを改善する効果的な手法であることを示す。
論文 参考訳（メタデータ） (2022-09-15T06:00:25Z) - FineDiving: A Fine-grained Dataset for Procedure-aware Action Quality
Assessment [93.09267863425492]
競争力のあるスポーツビデオにおける行動の高レベル意味論と内部時間構造の両方を理解することが、予測を正確かつ解釈可能なものにする鍵である、と我々は主張する。
本研究では,多様なダイビングイベントに対して,アクションプロシージャに関する詳細なアノテーションを付加した,ファインディビングと呼ばれる詳細なデータセットを構築した。
論文 参考訳（メタデータ） (2022-04-07T17:59:32Z) - Self-Attention Neural Bag-of-Features [103.70855797025689]
我々は最近導入された2D-Attentionの上に構築し、注意学習方法論を再構築する。
本稿では,関連情報を強調した2次元目視マスクを学習する機能・時間的アテンション機構を提案する。
論文 参考訳（メタデータ） (2022-01-26T17:54:14Z) - Few-shot segmentation of medical images based on meta-learning with
implicit gradients [0.48861336570452174]
医用画像セグメンテーションのための数ショット設定において,最適化に基づく暗黙的メタ学習iMAMLアルゴリズムを活用することを提案する。
このアプローチでは、さまざまなトレーニングサンプルから学んだ重みを活用でき、新しい未知のデータセットにデプロイすることができます。
論文 参考訳（メタデータ） (2021-06-06T19:52:06Z) - Deep Semi-supervised Knowledge Distillation for Overlapping Cervical
Cell Instance Segmentation [54.49894381464853]
本稿では, ラベル付きデータとラベルなしデータの両方を, 知識蒸留による精度向上に活用することを提案する。
摂動に敏感なサンプルマイニングを用いたマスク誘導型平均教師フレームワークを提案する。
実験の結果,ラベル付きデータのみから学習した教師付き手法と比較して,提案手法は性能を著しく向上することがわかった。
論文 参考訳（メタデータ） (2020-07-21T13:27:09Z) - Self-Supervised Tuning for Few-Shot Segmentation [82.32143982269892]
Few-shotのセグメンテーションは、アノテートされたサンプルがほとんどない各画像ピクセルにカテゴリラベルを割り当てることを目的としている。
既存のメタラーニング手法では, 画像から抽出した視覚的特徴を埋め込み空間に埋め込むと, カテゴリー別識別記述子の生成に失敗する傾向にある。
本稿では,複数のエピソードにまたがる潜在特徴の分布を,自己分割方式に基づいて動的に調整する適応型フレームワークチューニングを提案する。
論文 参考訳（メタデータ） (2020-04-12T03:53:53Z) - Confident Coreset for Active Learning in Medical Image Analysis [57.436224561482966]
本稿では,情報的サンプルを効果的に選択するための,不確実性と分散性を考慮した新しい能動的学習手法である信頼コアセットを提案する。
2つの医用画像解析タスクの比較実験により,本手法が他の活動的学習方法より優れていることを示す。
論文 参考訳（メタデータ） (2020-04-05T13:46:16Z) - Towards Using Count-level Weak Supervision for Crowd Counting [55.58468947486247]
本稿では,少数の位置レベルのアノテーション(十分に教師された)と大量のカウントレベルのアノテーション(弱教師付き)からモデルを学習する,弱教師付き群集カウントの問題について検討する。
我々は、生成した密度マップの自由を制限するための正規化を構築するために、単純なyet効果のトレーニング戦略、すなわちMultiple Auxiliary Tasks Training (MATT)を考案した。
論文 参考訳（メタデータ） (2020-02-29T02:58:36Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。